- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
融合KPCA和最小距离鉴别投影的人脸识别算法.doc
融合KPCA和最小距离鉴别投影的人脸识别算法
刘君,黄燕琪,熊邦书
南昌航空大学信息工程学院
摘 要:目的 针对人脸识别问题,本文在原有的最小距离鉴别投影(MDP)算法的基础上,融入KPCA(核主成分分析)方法,提出了一种新的融合核主成分分析和最小距离鉴别投影算法(KPCA-MDP)。方法 该方法首先运用KPCA对高维样本空间进行降维,通过核技巧将样本映射到高维非线性空间。继而在降维后的核子空间上通过鉴别投影方法计算其相应的投影矩阵。最后采用最近邻分类方法对样本进行分类并最终实现人脸的识别。结果 通过在ORL、FERET和YALE人脸库上进行的实验表明,该算法的识别率相对要优于其他算法。结论 这种基于核技巧提取人脸图像非线性特征避免了高维矩阵的计算复杂问题,同时定义的核子空间相似度权重也较好的保持了样本之间的近邻关系。
关键词:核主成分;核子空间;鉴别投影;人脸识别0 引 言
通过特征提取以降低数据维度的方法已经被广泛地应用于模式识别的各个领域。大多数的特征提取方法都是从高维的数据空间寻找一个线性的投影向量使得数据在低维空间仍较好地保留原空间的数据结构。广为人知的也是较经典的两种方法就是主成分分析(PCA)[]和线性鉴别分析(LDA)[]。PCA试图寻求一个线性投影矩阵使得总体数据矩阵的协方差最大化。LDA同样也是一种比较流行的数据降维方法,其基本思想是寻求一个最佳投影矩阵最小化其类内散度的同时最大化其类间散度。研究[]表明,LDA的识别效果要明显优于PCA。然而,高维人脸图像很可能分布在一个非线性流行空间内,线性的方法难以获取数据的非线性信息,那么就很可能对样本识别存在重要影响。针对这一问题,Roweis等提出局部线性嵌入(LLE)[],局部线性嵌入在低维空间较好地保持了数据间的几何信息。Blekin等提出等距映射(Isomap)[],等距映射则较好地保持了数据间的距离关系。但这两种方法均对已知样本达到较好的映射效果,对未知的测试样本却不能形成有效映射。局部鉴别投影分析(LPP)[]虽然改进了这些方法的不足,但作为一种线性降维投影方法,对于线性不可分的样本并不能很好地获取样本的非线性判别信息。为了弥补LPP的不足,有学者在融入样本的局部和非局部鉴别信息提出一些改进方法[-],但这些方法本质上也属于线性的降维方法。鉴于核函数在支持向量机中的成功应用,核方法已经被推广到应用与解决一些线性特征提取和分类的问题。基于核技巧的特征提取方法在模式识别和机器学习领域已经得到了广泛地应用,如核主成分分析(KPCA)[]、核鉴别分析(KDA)[]等,然而KPCA只得到人脸样本的分布信息,KDA获取样本的鉴别信息且这两种方法均未能避免高维空间的计算复杂问题。也有学者在KPCA的基础上提出改进方法[-]-]-[],一些其他基于核技巧的方法也引起学者的广泛关注[-]-[][]。然而,这些改进的方法均未考虑样本与样本之间的近邻关系,这恰恰对识别起着至关重要的作用。针对以上不足,本文在最小距离鉴别投影(MDP)[]的基础上,融入KPCA的方法,提出一种新的融合核主成分分析和最小距离鉴别投影(KPCA-MDP)方法。该方法首先通过一非线性映射将样本映射到高维非线性空间,通过核矩阵巧妙解决高维矩阵计算复杂问题,用KPCA对其进行降维,通过计算降维子空间的相似度权重,使得能充分考虑到样本之间的近邻关系,再通过鉴别投影准则获取最优投影矩阵,最后使用最小距离分类器对其进行分类。通过相关实验表明,本文方法识别率要优于或是不低于其他算法。
1.MDP
最小距离鉴别投影在文献[8]的基础上,引入类内和类间相似度权重,类内相似度权重通过计算第i类样本与类内中心点之间的欧式距离,反映同类样本之间的距离关系。类间相似度权重计算第i类样本与类内和类间中心点之间的欧式距离,通过相应参数变化,以达到调节其权重的目的。权重值反映了不同类样本之间的距离关系,设有N个样本,分别属于C个类别,N为样本数。为一个样本图片集。最小距离鉴别投影定义样本的类内散度和类间散度矩阵分别为:
(1)
(2)
其中,和为相似度权重,为第c类的第i个样本,,分别为第c类和第k类的样本均值,相似度权重定义为:
(3)
(4)
则MDP的目标函数可表示为:
(5)
其中和为自定义可调节参数。则最优投影矩阵可以通过计算的前个最大特征值所对应的特征向量得到。
2.本文方法的推导过程
MDP方法的核心思想是通过调节相应相似度权重参数的大小,以达到同类样本聚合不同类样本相互分离的目的。然而,最小距离鉴别投影在本质上是属于线性的方法,并不能很好的反映高维人脸图像的非线性本质。为了顾及到人脸图像的非线性分布性,通过文献[11-12],本文引入核技巧将样本映射到非线性空间,核矩阵的巧妙引入
文档评论(0)